3.6 Shuffle機(jī)制

在MapReduce框架中，Shuffle是連接Map和Reduce之間的橋梁，Map的輸出要用到Reduce中必須經(jīng)過(guò)Shuffle這個(gè)環(huán)節(jié)，Shuffle的性能高低直接影響了整個(gè)程序的性能和吞吐量。Spark作為MapReduce框架的一種實(shí)現(xiàn)，自然也實(shí)現(xiàn)了Shuffle的邏輯。對(duì)于大數(shù)據(jù)計(jì)算框架而言，Shuffle階段的效率是決定性能好壞的關(guān)鍵因素之一。

3.6.1 什么是Shuffle

Shuffle是MapReduce框架中的一個(gè)特定的階段，介于Map階段和Reduce階段之間，當(dāng)Map的輸出結(jié)果要被Reduce使用時(shí)，輸出結(jié)果需要按關(guān)鍵字值（key）哈希，并且分發(fā)到每一個(gè)Reducer上，這個(gè)過(guò)程就是Shuffle。直觀來(lái)講，Spark Shuffle機(jī)制是將一組無(wú)規(guī)則的數(shù)據(jù)轉(zhuǎn)換為一組具有一定規(guī)則數(shù)據(jù)的過(guò)程。由于Shuffle涉及了磁盤(pán)的讀寫(xiě)和網(wǎng)絡(luò)的傳輸，因此Shuffle性能的高低直接影響整個(gè)程序的運(yùn)行效率。

在MapReduce計(jì)算框架中，Shuffle連接了Map階段和Reduce階段，即每個(gè)Reduce Task從每個(gè)Map Task產(chǎn)生的數(shù)據(jù)中讀取一片數(shù)據(jù)，極限情況下可能觸發(fā)M*R個(gè)數(shù)據(jù)拷貝通道（M是Map Task數(shù)目，R是Reduce Task數(shù)目）。通常Shuffle分為兩部分：Map階段的數(shù)據(jù)準(zhǔn)備和Reduce階段的數(shù)據(jù)拷貝。首先，Map階段需根據(jù)Reduce階段的Task數(shù)量決定每個(gè)Map Task輸出的數(shù)據(jù)分片數(shù)目，有多種方式存放這些數(shù)據(jù)分片：

1）保存在內(nèi)存中或者磁盤(pán)上（Spark和MapReduce都存放在磁盤(pán)上）。

2）每個(gè)分片對(duì)應(yīng)一個(gè)文件（現(xiàn)在Spark采用的方式，以及以前MapReduce采用的方式），或者所有分片放到一個(gè)數(shù)據(jù)文件中，外加一個(gè)索引文件記錄每個(gè)分片在數(shù)據(jù)文件中的偏移量（現(xiàn)在MapReduce采用的方式）。

因此可以認(rèn)為Spark Shuffle與Mapreduce Shuffle的設(shè)計(jì)思想相同，但在實(shí)現(xiàn)細(xì)節(jié)和優(yōu)化方式上不同。

在Spark中，任務(wù)通常分為兩種，Shuffle mapTask和reduceTask，具體邏輯如圖3-11所示：

[插圖]

圖3-11 Spark Shuffl e

圖3-11中的主要邏輯如下：

1）首先每一個(gè)MapTask會(huì)根據(jù)ReduceTask的數(shù)量創(chuàng)建出相應(yīng)的bucket, bucket的數(shù)量是M×R，其中M是Map的個(gè)數(shù)，R是Reduce的個(gè)數(shù)。

2）其次MapTask產(chǎn)生的結(jié)果會(huì)根據(jù)設(shè)置的partition算法填充到每個(gè)bucket中。這里的partition算法是可以自定義的，當(dāng)然默認(rèn)的算法是根據(jù)key哈希到不同的bucket中。

當(dāng)ReduceTask啟動(dòng)時(shí)，它會(huì)根據(jù)自己task的id和所依賴(lài)的Mapper的id從遠(yuǎn)端或本地的block manager中取得相應(yīng)的bucket作為Reducer的輸入進(jìn)行處理。

這里的bucket是一個(gè)抽象概念，在實(shí)現(xiàn)中每個(gè)bucket可以對(duì)應(yīng)一個(gè)文件，可以對(duì)應(yīng)文件的一部分或是其他等。Spark shuffle可以分為兩部分：

1）將數(shù)據(jù)分成bucket，并將其寫(xiě)入磁盤(pán)的過(guò)程稱(chēng)為Shuffle Write。

2）在存儲(chǔ)Shuffle數(shù)據(jù)的節(jié)點(diǎn)Fetch數(shù)據(jù)，并執(zhí)行用戶(hù)定義的聚集操作，這個(gè)過(guò)程稱(chēng)為Shuffle Fetch。

3.6.2 Shuffle歷史及細(xì)節(jié)

下面介紹Shuffle Write與Fetch。

1. Shuffle Write

在Spark的早期版本實(shí)現(xiàn)中，Spark在每一個(gè)MapTask中為每個(gè)ReduceTask創(chuàng)建一個(gè)bucket，并將RDD計(jì)算結(jié)果放進(jìn)bucket中。

但早期的Shuffle Write有兩個(gè)比較大的問(wèn)題。

1）Map的輸出必須先全部存儲(chǔ)到內(nèi)存中，然后寫(xiě)入磁盤(pán)。這對(duì)內(nèi)存是非常大的開(kāi)銷(xiāo)，當(dāng)內(nèi)存不足以存儲(chǔ)所有的Map輸出時(shí)就會(huì)出現(xiàn)OOM（Out of Memory）。

2）每個(gè)MapTask會(huì)產(chǎn)生與ReduceTask數(shù)量一致的Shuffle文件，如果MapTask個(gè)數(shù)是1k, ReduceTask個(gè)數(shù)也是1k，就會(huì)產(chǎn)生1M個(gè)Shuffle文件。這對(duì)于文件系統(tǒng)是比較大的壓力，同時(shí)在Shuffle數(shù)據(jù)量不大而Shuffle文件又非常多的情況下，隨機(jī)寫(xiě)也會(huì)嚴(yán)重降低IO的性能。

后來(lái)到了Spark 0.8版實(shí)現(xiàn)時(shí)，顯著減少了Shuffle的內(nèi)存壓力，現(xiàn)在Map輸出不需要先全部存儲(chǔ)在內(nèi)存中，再flush到硬盤(pán)，而是record-by-record寫(xiě)入磁盤(pán)中。對(duì)于Shuffle文件的管理也獨(dú)立出新的ShuffleBlockManager進(jìn)行管理，而不是與RDD cache文件在一起了。

但是Spark 0.8版的Shuffle Write仍然有兩個(gè)大的問(wèn)題沒(méi)有解決。

1）Shuffle文件過(guò)多的問(wèn)題。這會(huì)導(dǎo)致文件系統(tǒng)的壓力過(guò)大并降低IO的吞吐量。

2）雖然Map輸出數(shù)據(jù)不再需要預(yù)先存儲(chǔ)在內(nèi)存中然后寫(xiě)入磁盤(pán)，從而顯著減少了內(nèi)存壓力。但是新引入的DiskObjectWriter所帶來(lái)的buffer開(kāi)銷(xiāo)也是不容小視的內(nèi)存開(kāi)銷(xiāo)。假定有1k個(gè)MapTask和1k個(gè)ReduceTask，就會(huì)有1M個(gè)bucket，相應(yīng)地就會(huì)有1M個(gè)write handler，而每一個(gè)write handler默認(rèn)需要100KB內(nèi)存，那么總共需要100GB內(nèi)存。這樣僅僅是buffer就需要這么多的內(nèi)存。因此當(dāng)ReduceTask數(shù)量很多時(shí)，內(nèi)存開(kāi)銷(xiāo)會(huì)很大。

為了解決shuffle文件過(guò)多的情況，Spark后來(lái)引入了新的Shuffle consolidation，以期顯著減少Shuffle文件的數(shù)量。

Shuffle consolidation的原理如圖3-12所示：

[插圖]

圖3-12 Shuffl e consolidation

在圖3-12中，假定該job有4個(gè)Mapper和4個(gè)Reducer，有2個(gè)core能并行運(yùn)行兩個(gè)task?？梢运愠鯯park的Shuffle Write共需要16個(gè)bucket，也就有了16個(gè)write handler。在之前的Spark版本中，每個(gè)bucket對(duì)應(yīng)一個(gè)文件，因此在這里會(huì)產(chǎn)生16個(gè)shuffle文件。

而在Shuffle consolidation中，每個(gè)bucket并非對(duì)應(yīng)一個(gè)文件，而是對(duì)應(yīng)文件中的一個(gè)segment。同時(shí)Shuffle consolidation產(chǎn)生的Shuffle文件數(shù)量與Spark core的個(gè)數(shù)也有關(guān)系。在圖3-12中，job中的4個(gè)Mapper分為兩批運(yùn)行，在第一批2個(gè)Mapper運(yùn)行時(shí)會(huì)申請(qǐng)8個(gè)bucket，產(chǎn)生8個(gè)Shuffle文件；而在第二批Mapper運(yùn)行時(shí)，申請(qǐng)的8個(gè)bucket并不會(huì)再產(chǎn)生8個(gè)新的文件，而是追加寫(xiě)到之前的8個(gè)文件后面，這樣一共就只有8個(gè)Shuffle文件，而在文件內(nèi)部共有16個(gè)不同的segment。因此從理論上講Shuffle consolidation產(chǎn)生的Shuffle文件數(shù)量為C×R，其中C是Spark集群的core number, R是Reducer的個(gè)數(shù)。

很顯然，當(dāng)M=C時(shí)，Shuffle consolidation產(chǎn)生的文件數(shù)和之前的實(shí)現(xiàn)相同。

Shuffle consolidation顯著減少了Shuffle文件的數(shù)量，解決了Spark之前實(shí)現(xiàn)中一個(gè)比較嚴(yán)重的問(wèn)題。但是Writer handler的buffer開(kāi)銷(xiāo)過(guò)大依然沒(méi)有減少，若要減少Writer handler的buffer開(kāi)銷(xiāo)，只能減少Reducer的數(shù)量，但是這又會(huì)引入新的問(wèn)題。

2. Shuffle Fetch與Aggregator

Shuffle Write寫(xiě)出去的數(shù)據(jù)要被Reducer使用，就需要Shuffle Fetch將所需的數(shù)據(jù)Fetch過(guò)來(lái)。這里的Fetch操作包括本地和遠(yuǎn)端，因?yàn)镾huffle數(shù)據(jù)有可能一部分是存儲(chǔ)在本地的。在早期版本中，Spark對(duì)Shuffle Fetcher實(shí)現(xiàn)了兩套不同的框架：NIO通過(guò)socket連接Fetch數(shù)據(jù)；OIO通過(guò)netty server去fetch數(shù)據(jù)。分別對(duì)應(yīng)的類(lèi)是Basic-BlockFetcherIterator和NettyBlockFetcherIterator。

目前在Spark1.5.0中做了優(yōu)化。新版本定義了類(lèi)ShuffleBlockFetcherIterator來(lái)完成數(shù)據(jù)的fetch。對(duì)于local的數(shù)據(jù)，ShuffleBlockFetcherIterator會(huì)通過(guò)local的BlockMan-ager來(lái)fetch。對(duì)于遠(yuǎn)端的數(shù)據(jù)塊，它通過(guò)BlockTransferService類(lèi)來(lái)完成。具體實(shí)現(xiàn)參見(jiàn)如下代碼：

? ? ? ? ? ? ? [ShuffleBlockFetcherIterator.scala]

/＊ fetch local數(shù)據(jù)塊 ＊/

private[this] def fetchLocalBlocks() {

在MapReduce的Shuffle過(guò)程中，Shuffle fetch過(guò)來(lái)的數(shù)據(jù)會(huì)進(jìn)行歸并排序（merge sort），使得相同key下的不同value按序歸并到一起供Reducer使用，這個(gè)過(guò)程如圖3-13所示：

[插圖]

圖3-13 Fetch merge

這些歸并排序都是在磁盤(pán)上進(jìn)行的，這樣做雖然有效地控制了內(nèi)存使用，但磁盤(pán)IO卻大幅增加了。雖然Spark屬于MapReduce體系，但是對(duì)傳統(tǒng)的MapReduce算法進(jìn)行了一定的改變。Spark假定在大多數(shù)應(yīng)用場(chǎng)景下，Shuffle數(shù)據(jù)的排序不是必須的，如word count。強(qiáng)制進(jìn)行排序只會(huì)使性能變差，因此Spark并不在Reducer端做歸并排序。既然沒(méi)有歸并排序，那Spark是如何進(jìn)行reduce的呢？這就涉及下面要講的Shuffle Aggregator了。

Aggregator本質(zhì)上是一個(gè)hashmap，它是以map output的key為key，以任意所要combine的類(lèi)型為value的hashmap。

在做word count reduce計(jì)算count值時(shí)，它會(huì)將Shuffle fetch到的每一個(gè)key-value對(duì)更新或是插入hashmap中（若在hashmap中沒(méi)有查找到，則插入其中；若查找到，則更新value值）。這樣就不需要預(yù)先把所有的key-value進(jìn)行merge sort，而是來(lái)一個(gè)處理一個(gè)，省去了外部排序這一步驟。但同時(shí)需要注意的是，reducer的內(nèi)存必須足以存放這個(gè)partition的所有key和count值，因此對(duì)內(nèi)存有一定的要求。

在上面word count的例子中，因?yàn)関alue會(huì)不斷地更新，而不需要將其全部記錄在內(nèi)存中，因此內(nèi)存的使用還是比較少的。考慮一下如果是groupByKey這樣的操作，Reducer需要得到key對(duì)應(yīng)的所有value。在Hadoop MapReduce中，由于有了歸并排序，因此給予Reducer的數(shù)據(jù)已經(jīng)是group by key了，而Spark沒(méi)有這一步，因此需要將key和對(duì)應(yīng)的value全部存放在hashmap中，并將value合并成一個(gè)array?？梢韵胂鬄榱四軌虼娣潘袛?shù)據(jù)，用戶(hù)必須確保每一個(gè)partition小到內(nèi)存能夠容納，這對(duì)于內(nèi)存是非常嚴(yán)峻的考驗(yàn)。因此在Spark文檔中，建議用戶(hù)涉及這類(lèi)操作時(shí)盡量增加partition，也就是增加Mapper和Reducer的數(shù)量。

增加Mapper和Reducer的數(shù)量固然可以減小partition的大小，使內(nèi)存可以容納這個(gè)partition。但是在Shuffle write中提到，bucket和對(duì)應(yīng)于bucket的write handler是由Mapper和Reducer的數(shù)量決定的，task越多，bucket就會(huì)增加得更多，由此帶來(lái)write handler所需的buffer也會(huì)更多。在一方面我們?yōu)榱藴p少內(nèi)存的使用采取了增加task數(shù)量的策略，另一方面task數(shù)量增多又會(huì)帶來(lái)buffer開(kāi)銷(xiāo)更大的問(wèn)題，因此陷入了內(nèi)存使用的兩難境地。

為了減少內(nèi)存的使用，只能將Aggregator的操作從內(nèi)存移到磁盤(pán)上進(jìn)行，因此Spark新版本中提供了外部排序的實(shí)現(xiàn)，以解決這個(gè)問(wèn)題。

Spark將需要聚集的數(shù)據(jù)分為兩類(lèi)：不需要?dú)w并排序和需要?dú)w并排序的數(shù)據(jù)。對(duì)于前者，在內(nèi)存中的AppendOnlyMap中對(duì)數(shù)據(jù)聚集。對(duì)于需要?dú)w并排序的數(shù)據(jù)，現(xiàn)在內(nèi)存中進(jìn)行聚集，當(dāng)內(nèi)存數(shù)據(jù)達(dá)到閾值時(shí)，將數(shù)據(jù)排序后寫(xiě)入磁盤(pán)。事實(shí)上，磁盤(pán)上的數(shù)據(jù)只是全部數(shù)據(jù)的一部分，最后將磁盤(pán)數(shù)據(jù)全部進(jìn)行歸并排序和聚集。具體Aggregator的邏輯可以參見(jiàn)Aggregator類(lèi)的實(shí)現(xiàn)。